CN108414923A - 一种基于深度置信网络特征提取的模拟电路故障诊断方法 - Google Patents

一种基于深度置信网络特征提取的模拟电路故障诊断方法 Download PDF

Info

Publication number
CN108414923A
CN108414923A CN201810111908.8A CN201810111908A CN108414923A CN 108414923 A CN108414923 A CN 108414923A CN 201810111908 A CN201810111908 A CN 201810111908A CN 108414923 A CN108414923 A CN 108414923A
Authority
CN
China
Prior art keywords
depth confidence
confidence network
particle
fault diagnosis
extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810111908.8A
Other languages
English (en)
Inventor
何怡刚
张朝龙
张慧
尹柏强
江金光
何鎏璐
段嘉珺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201810111908.8A priority Critical patent/CN108414923A/zh
Priority to US16/027,284 priority patent/US10776232B2/en
Publication of CN108414923A publication Critical patent/CN108414923A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits
    • G01R31/3163—Functional testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

一种基于深度置信网络特征提取的模拟电路故障诊断方法，包括以下步骤：(1)采集被测模拟电路的时域响应信号，采集到的时域响应信号为被测模拟电路的输出电压信号；(2)对采集的电压信号进行基于深度置信网络的特征提取，其中深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取；(3)构建基于支持向量机的故障诊断模型，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取；(4)将测试数据经深度置信网络特征提取后，生成测试数据的特征数据，输入基于支持向量机的故障诊断模型，输出故障诊断结果。本发明可增强模拟电路故障诊断中特征提取的效果，提高故障诊断正确率，有效地检测出模拟电路的各类故障。

Description

一种基于深度置信网络特征提取的模拟电路故障诊断方法
技术领域
本发明涉及机器学习及电子电路工程领域，具体涉及一种基于深度置信网络特征提取的模拟电路故障诊断方法。
背景技术
模拟电路广泛地应用于家用电器﹑工业生产线﹑汽车以及航空航天等设备中，模拟电路的故障将会引起设备的性能下降﹑功能失灵﹑反应迟缓以及其他电子故障。正确的故障识别有助于电路的及时维护，因此对模拟电路进行故障诊断，是十分必要的。
针对模拟电路的故障诊断，已有研究工作引入小波分析、小波分形分析(即小波变换后进行分形分析)、峭度和熵、BP神经网络、支持向量机等研究方法。在模拟电路故障诊断中，首要的问题是提取出各个故障类别之间区分度高和重叠程度低的特征，便于后续的高效故障诊断。因此，如果要提高模拟电路故障诊断的正确率，需要应用高效的特征提取方法。
深度置信网络(deep belief network，DBN)是一种新颖的故障特征提取方法，一般认为，深度置信网络可以提取出测量信号的深度和固有特征。深度置信网络中受限玻尔兹曼机(restricted boltzmann machines，RBM)的学习率对深度置信网络的结构参数有较大影响，一般采用经验法或者尝试法，取值于0.01-0.5之间，效率较低且较难获得精准和有效数值。
发明内容
本发明要解决的技术问题是，针对现有模拟电路故障诊断存在的上述不足，提供一种基于深度置信网络特征提取的模拟电路故障诊断方法，增强模拟电路故障诊断中特征提取的效果，提高故障诊断正确率，有效检测出模拟电路的各类故障。
本发明为解决上述技术问题所采用的技术方案是：
一种基于深度置信网络特征提取的模拟电路故障诊断方法，包括以下步骤：
(1)采集被测模拟电路的时域响应信号，采集到的时域响应信号为被测模拟电路的输出电压信号，即训练数据；
(2)对采集的电压信号进行基于深度置信网络的特征提取，提取后的数据即为训练数据的特征数据，其中深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化获取；
(3)构建基于支持向量机(support vector machines,SVM)的故障诊断模型，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取；
(4)将测试数据经深度置信网络特征提取后，生成测试数据的特征数据，输入基于支持向量机的故障诊断模型，输出故障诊断结果，即检测出模拟电路的故障。
按上述方案，所述步骤(1)中，被测模拟电路输入端采用脉冲激励，输出端采样电压信号，采集的被测模拟电路的输出电压信号为训练数据。
按上述方案，所述步骤(2)中，深度置信网络是由多个受限玻尔兹曼机逐个堆叠而形成，每个受限玻尔兹曼机都由1个可见层v和1个隐含层h构成，每个可见层v由多个可见层单元构成，每个隐含层h也由多个隐含层单元构成，所述可见层为每个受限玻尔兹曼机的输入层，所述隐含层为每个受限玻尔兹曼机的输出层，每个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层，受限玻尔兹曼机的学习率对受限玻尔兹曼机的参数有下述影响：
Δwji＝μ(＜vihj＞0-＜vihj＞1)
Δbi＝μ(＜hj＞0-＜hj＞1)
Δaj＝μ(＜vi＞0-＜vi＞1)
其中Δwji表示连接第i个可见层单元vi和第j个隐含层单元hj的权重矩阵的更新量，Δbi表示第i个可见层单元vi偏置的更新量，Δaj表示第j个隐含层单元hj偏置的更新量，μ为受限玻尔兹曼机的学习率，＜vihj＞0表示vihj(vi和hj的关联程度)的实际值，＜vihj＞1表示vihj重构值的概率分布的期望，＜hj＞0表示隐含层单元hj的实际值，＜hj＞1表示隐含层单元hj重构值的概率分布的期望，＜vi＞0表示可见层单元vi实际值，＜vi＞1表示可见层单元vi重构值的概率分布的期望；
深度置信网络的特征提取分为三个步骤：深度置信网络预训练、基于分类器的网络全局微调和特征提取的实现，其中，深度置信网络预训练是应用输入的模拟电路故障诊断训练数据，无监督训练深度置信网络模型结构及其参数；基于分类器的网络全局微调是应用深度置信网络自带的分类器和输入的模拟电路故障诊断训练数据的标签信息，有监督训练深度置信网络模型结构及其参数；特征提取的实现是在基于分类器的网络全局微调结束后，使用深度置信网络中堆叠的多个受限玻尔兹曼机对输入的模拟电路故障诊断训练数据进行逐层特征提取，而最后一个受限玻尔兹曼机中提取的特征即为深度置信网络提取的特征；
按上述方案，所述步骤(2)中，深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取的步骤为：
(2.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，需要优化的多个受限玻尔兹曼机的学习率映射为粒子的多维位置；
(2.2)将粒子的多维位置映射为深度置信网络的各个受限玻尔兹曼机的学习率，利用深度置信网络自带的分类器，计算基于训练数据时的故障诊断正确率作为适应度，从而计算出群体中每个粒子的适应度；
(2.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(2.4)计算所有粒子的个体最优位置的平均点；
(2.5)对群体中每个粒子进行位置的更新；
(2.6)重复步骤(2.2)～步骤(2.5)直至迭代结束，输出结果，即为深度置信网络中各个受限玻尔兹曼机的学习率。
按上述方案，所述步骤(3)中，支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取的步骤为：
(3.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，需要优化的支持向量机的惩罚因子与宽度因子映射为粒子的二维位置；
(3.2)将粒子的二维位置映射为支持向量机的惩罚因子和宽度因子，计算基于训练数据的特征数据时支持向量机的故障诊断正确率作为适应度，从而计算出量子粒子群的群体中每个粒子的适应度；
(3.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(3.4)计算所有粒子的个体最优位置的平均点；
(3.5)对群体中每个粒子进行位置的更新；
(3.6)重复步骤(3.2)～步骤(3.5)直至迭代结束，输出全局最优位置为优化的结果，即为支持向量机的惩罚因子和宽度因子。
按上述方案，所述步骤(4)中，测试数据为对被测模拟电路再次采集得到的时域响应信号数据，输出的故障诊断结果为故障诊断正确率。
按上述方案，量子粒子群算法按照下述公式进行迭代寻优：
P＝sPi+(1-s)Pg，
式中，N为群体的规模；u和s是[0,1]之间均匀分布的随机数；nbest是所有粒子的个体最优位置的平均点；Pi是粒子i个体最优位置；Pg是群体全局最优位置；Xi(t+1)是粒子i在第t+1次迭代中获得的位置；t是当前的迭代次数；a为压缩扩张因子。
本发明的工作原理：首先应用深度置信网络分析被测模拟电路的故障响应信号，提取深度和固有特征，其中深度置信网络中受限玻尔兹曼机学习率应用量子粒子群算法优化生成，将提取的特征数据应用支持向量机分类器的方法进行故障识别，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取。
与现有技术相比，本发明具有以下有益效果：
(1)本发明中基于深度置信网络的特征提取方法比传统的模拟电路故障特征提取方法如小波分析、小波分形分析和提取峭度和熵等，具有更好的特征提取性能，它能提取出测量信号的本质和深度的特征；
(2)本发明中基于深度置信网络的特征提取方法在经量子粒子群算法优化了受限玻尔兹曼机的学习率后，特征提取的效果会进一步增强，各个不同故障类别特征区分更为明显，便于后续的分类器进行故障诊断。
附图说明
图1为本发明模拟电路故障诊断方法的流程图；
图2为四运放双二阶高通滤波器电路图；
图3为基于量子粒子群算法的深度置信网络中受限玻尔兹曼机的学习率优化过程图；
图4为应用优化获取的受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的散点分布图；
图5为以0.01为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图6为以0.02为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图7为以0.05为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图8为以0.1为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图9为以0.2为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图10为以0.5为受限玻尔兹曼机学习率时提取的特征经KPCA方法处理后各个不同故障类别的二维散点分布图；
图11为基于量子粒子群算法的支持向量机的惩罚因子和宽度因子优化过程图。
具体实施方式
下面结合附图和实例对本发明进一步说明。
参照图1所示，本发明模拟电路故障诊断方法的流程图由4个步骤构成，步骤1获取被测模拟电路的时域响应信号，步骤2为对获取的时域响应信号应用深度置信网络提取特征数据，步骤3为建立基于支持向量机的故障诊断模型，步骤4为输出测试数据诊断结果。下面对本发明进行详细的说明。
步骤1中获取被测模拟电路的时域响应信号，被测模拟电路输入端通过脉冲激励，输出端采样电压信号，采集的被测模拟电路的输出电压信号为训练数据。
步骤2中深度置信网络是由多个受限玻尔兹曼机逐个堆叠而形成，每个受限玻尔兹曼机都由1个可见层v和1个隐含层h构成，每个可见层v由多个可见层单元构成，每个隐含层h也由多个隐含层单元构成，其中所述的可见层为每个受限玻尔兹曼机的输入层，所述隐含层为每个受限玻尔兹曼机的输出层，每个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层。受限玻尔兹曼机的学习率对受限玻尔兹曼机的参数有下述影响：
Δwji＝μ(＜vihj＞0-＜vihj＞1)
Δbi＝μ(＜hj＞0-＜hj＞1)
Δaj＝μ(＜vi＞0-＜vi＞1)
其中Δwji表示连接第i个可见层单元vi和第j个隐含层单元hj的权重矩阵的更新量，Δbi表示第i个可见层单元vi偏置的更新量，Δaj表示第j个隐含层单元hj偏置的更新量，μ为受限玻尔兹曼机的学习率，＜vihj＞0表示vihj的实际值，＜vihj＞1表示vihj重构值的概率分布的期望，＜hj＞0表示隐含层单元hj的实际值，＜hj＞1表示隐含层单元hj重构值的概率分布的期望，＜vi＞0表示可见层单元vi实际值，＜vi＞1表示可见层单元vi重构值的概率分布的期望。
深度置信网络的特征提取分为三个步骤：深度置信网络预训练、基于分类器的网络全局微调和特征提取的实现。其中，深度置信网络预训练是应用输入的模拟电路故障诊断训练数据，无监督训练深度置信网络模型结构及其参数；基于分类器的网络全局微调是应用深度置信网络自带的分类器和输入的模拟电路故障诊断训练数据的标签信息，有监督训练深度置信网络模型结构及其参数；特征提取的实现是在基于分类器的网络全局微调结束后，使用深度置信网络中堆叠的多个受限玻尔兹曼机对输入的模拟电路故障诊断训练数据进行逐层特征提取，而最后一个受限玻尔兹曼机中提取的特征即为深度置信网络提取的特征。
深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取的步骤为：
(2.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，需要优化的多个受限玻尔兹曼机的学习率映射为粒子的多维位置；
(2.2)将粒子的多维位置映射为深度置信网络的各个受限玻尔兹曼机的学习率，利用深度置信网络自带的分类器，计算基于训练数据时的故障诊断正确率作为适应度，从而计算出群体中每个粒子的适应度；
(2.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(2.4)计算所有粒子的个体最优位置的平均点；
(2.5)对群体中每个粒子进行位置的更新；
(2.6)重复步骤(2.2)～步骤(2.5)直至迭代结束，输出结果，即为深度置信网络中各个受限玻尔兹曼机的学习率。
量子粒子群的粒子按照下述公式进行迭代寻优：
P＝sPi+(1-s)Pg，
式中，N为群体的规模；u和s是[0,1]之间均匀分布的随机数；nbest是所有粒子的个体最优位置的平均点；Pi是粒子i个体最优位置；Pg是全局最优位置；Xi(t+1)是粒子i在第t+1次迭代中获得的位置；t是当前的迭代次数；a为压缩扩张因子。
步骤3中，支持向量机的惩罚因子和宽度因子应用量子粒子群算法进行优化获取，其步骤为：
(3.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，其中需要优化的惩罚因子与宽度因子映射为粒子的二维位置；
(3.2)将粒子的二维位置映射为支持向量机的惩罚因子和宽度因子，计算基于训练数据的特征数据时该支持向量机的故障诊断正确率作为适应度，从而计算出量子粒子群的群体中每个粒子的适应度；
(3.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(3.4)计算所有粒子的个体最优位置的平均点；
(3.5)对群体中每个粒子进行位置的更新；
(3.6)重复步骤(3.2)～步骤(3.5)直至迭代结束，输出全局最优位置为优化的结果，即为支持向量机的惩罚因子和宽度因子。
基于支持向量机的故障诊断模型建立步骤为：
(1)输入样本d＝{(xu,yu),u＝1,2,…,n},xu∈Rn,yu∈{-1,1}，其中n为样本数据的数量，xu为建立模型所用的输入数据，yu为输入数据对应的标签；
(2)确定核函数类型：
以径向基函数为核函数，其中x为当前输入数据，σ为径向基函数的宽度因子；
(3)应用量子粒子群算法选择模型的参数σ和γ，其中γ为惩罚因子；
(4)以样本数据为训练数据，对模型进行训练，获得模型参数au和b，其中au为拉格朗日算子，b为偏置值；
(5)获取故障诊断模型：f(x)用于识别新的输入数据的类别。
步骤4中测试数据为对被测模拟电路再次采集得到的时域响应信号数据，输出的故障诊断结果为故障诊断正确率，其计算公式为：
故障诊断正确率＝正确被识别的测试数据数/总测试数据数
为展示本发明提出的一种基于深度置信网络特征提取的模拟电路故障诊断方法过程与性能，在此以一个实例说明。
图2所示为四运放双二阶高通滤波器，各元件的标称值均于图上标出。激励源采用持续时间为10us，幅值为10v的脉冲波，故障时域响应信号在电路输出端采样获得。通过灵敏度测试，选择R1、R2、R3、R4、C1和C2作为测试对象，共形成NF，R1↑，R1↓，R2↑，R2↓，R3↑，R3↓，R4↑，R4↓，C1↑，C1↓，C2↑和C2↓共11个故障类别，其中↑和↓分别表示高出和低于元件标称值25％，NF表示无故障。应用蒙特卡洛方法对每个故障类别采集120个数据样本，采样输出的时域响应信号为100维，表1给出了电路中各测试元件故障码、故障类别、标称值和故障值。
将测量得到的100维时间脉冲响应数据直接输入深度置信网络的输入层中，在此深度置信网络采用双受限玻尔兹曼机结构，第一个和第二个受限玻尔兹曼机中隐含层单元的的数量分别被设置为50和25。每个故障类别共120个样本，其中随机选择60个作为训练数据，用于优化获取深度置信网络特征提取方法中的受限玻尔兹曼机的学习率，并生成特征数据用于训练支持向量机故障诊断模型。剩余的60个样本，作为测试数据用于测试该故障诊断方法的性能。在本发明中，第一个受限玻尔兹曼机和第二个受限玻尔兹曼机的学习率由量子粒子群算法优化获得。量子粒子群算法的粒子规模和最大进化代数分别设置为10和100，各个粒子的位置被限制在0.005至1之间，压缩扩张因子随着进化线性地由1下降至0.3。优化过程的终止条件为诊断正确率达到100％或者达到最大进化代数。
由量子粒子群算法优化获取的第一个受限玻尔兹曼机和第二个受限玻尔兹曼机的学习率分别为0.044994542976916和0.035064909557063。图3给出了基于量子粒子群算法的受限玻尔兹曼机学习率的优化过程，由图可知，在量子粒子群算法的优化过程中，适应度在第3，10和37进化代中发生了明显的上升，这代表在优化过程更新了全局最优位置，即在第3，10和37进化代中量子粒子群算法的粒子群探索到了更优的受限玻尔兹曼机的学习率。
表1各测试元件故障码、故障类别、标称值和故障值
采用优化获取的学习率，应用提出的深度置信网络方法为该实例提取特征。为了可视化提取特征的各个不同故障类别的散点分布状况，在此应用核主成分分析(KernelPrincipal Component Analysis,KPCA)的方法获取提取特征中的两个主成分，并将其在图4中显示，从图4中可以看出，仅有F8和F12故障类别之间发生重叠。
根据经验可知，一般深度置信网络中受限玻尔兹曼机的学习率取值区间为[0.010.5]，过往研究多采用经验法或尝试法获取。因此，在此基于训练数据，以0.01、0.02、0.05、0.1、0.2和0.5分别作为受限玻尔兹曼机的学习率，进行故障特征的提取和对比。将实例的训练数据作为输入，输出为深度置信网络中提取的特征，将其经KPCA提取2个主成分后，显示于图5-图10中。其中图5是以0.01为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F0和F6故障类别之间有轻微的重叠，F2、F3和F5故障类别之间存在明显的重叠，而F8和F12故障类别之间存在严重的重叠；图6是以0.02为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F2和F5故障类别之间存在重叠现象，而F8和F12故障类别之间存在严重的重叠；图7是以0.05为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F0和F6故障类别之间，F2和F5故障类别之间，F3和F11故障类别之间均存在重叠现象，而F8和F12故障类别之间存在严重的重叠；图8是以0.1为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F1和F6故障类别之间，F3和F7故障类别之间存在重叠现象，F2和F5故障类别之间，F8和F12故障类别之间均存在严重的重叠；图9是以0.2为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F1和F6故障类别之间，F2和F5故障类别之间，F3和F7故障类别之间存在重叠现象，而F8和F12故障类别之间存在严重的重叠；图10是以0.5为受限玻尔兹曼机的学习率提取的特征，经KPCA方法处理后的二维散点分布，F1和F6故障类别之间，F2和F5故障类别之间，F3和F7故障类别之间存在重叠现象，而F8和F12故障类别之间存在严重的重叠。
基于之前的图4-图10的特征散点分布可视化对比结果，可以认为本发明提出的应用量子粒子群算法优化获取深度置信网络中受限玻尔兹曼机的学习率后提取的特征相比于既往的根据经验法或尝试法设定受限玻尔兹曼机的学习率的深度置信网络方法提取的特征，在不同的故障类别之间具有更好的可分离性，以及相同的故障类别之间聚合得更加紧密。本发明提出的深度置信网络方法可用于学习模拟电路故障输入数据的深层和固有的特征，更有效地表达了输入数据到特征之间的非线性映射，以此形成的各个不同的故障类别将更加容易区分，有益于提高后续的故障诊断方法的正确识别率。
基于本发明提出的深度置信网络方法提取的训练数据的特征数据，应用支持向量机算法建立模拟电路的故障诊断模型，从而鉴别模拟电路的各类故障。为了提升该故障诊断模型的诊断精度，本发明应用量子粒子群算法基于训练数据的特征数据对支持向量机算法的惩罚因子和宽度因子进行优化获取，用于建立故障诊断模型。在优化中，量子粒子群算法的粒子规模和最大进化代数分别设置为10和100，各个粒子的位置被限制在10-3至103之间，压缩扩张因子随着进化线性地由1下降至0.3，优化过程的终止条件为诊断正确率达到100％或者达到最大进化代数，基于量子粒子群算法的惩罚因子和宽度因子的优化过程显示于图11中，由图中可知，在量子粒子群算法的优化过程中，适应度在进化代6、13、29和79中发生了明显的上升，这代表在优化过程中更新了全局最优位置，即在这几个进化代中量子粒子群算法的粒子探索到了在用于模拟电路故障诊断时更优的支持向量机的惩罚因子和宽度因子。最终优化获取的惩罚因子和宽度因子分别100.1249和0.0109。
采用优化获取的惩罚因子和宽度因子，建立基于支持向量机算法的故障诊断模型，对实例中的测试数据进行测试。各个故障类别诊断结果见表2，由表中可知，F0，F1，F2，F3，F4，F5，F6，F7，F9，F10和F11故障类别均正确地被支持向量机诊断模型鉴别出。而60个F8故障类别，正确识别了49个，有11个被诊断为F12故障类别；而60个F12故障类别，正确识别了43个，有17个被诊断为F8故障类别。被混淆的F8和F12故障类别，在特征提取的过程中即有特征散点分布范围重叠现象。本实例整体的故障诊断正确率为96.41％。
表2各故障类别的诊断结果
为了验证本发明提出的基于深度置信网络特征提取方法的故障诊断方法的性能，将其分别对比小波分析，小波分形分析，以及峭度和熵特征提取方法进行故障诊断实验。分类器均应用基于量子粒子群优化获取了惩罚因子和宽度因子的支持向量机方法。表3给出了以小波分析、小波分形分析、峭度和熵特征提取，以及本发明提出的基于深度置信网络特征提取方法对应的故障正确诊断率。本发明提出的方法故障整体正确诊断率可以达到96.41％，在四种方法中是获得了最高的故障诊断正确率。由于这几种方法均应用基于量子粒子群优化了惩罚因子和宽度因子的支持向量机方法作为分类器，可以认为本发明提出的基于深度置信网络特征提取方法，优于小波分析、小波分形分析、峭度和熵特征提取方法。
表3故障诊断正确诊断率的对比
以上内容结合附图对本发明进行了示例性说明，在结构和布局方面还有多种变化和变型，因此等同的技术方案也属于本发明的范畴，采用本发明的构思和方案的非实质性改进，均在本发明的保护范围之内。

Claims (7)

1.一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，包括以下步骤：
(1)采集被测模拟电路的时域响应信号，采集到的时域响应信号为被测模拟电路的输出电压信号，即训练数据；
(2)对采集的电压信号进行基于深度置信网络的特征提取，提取后的数据即为训练数据的特征数据，其中深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取；
(3)构建基于支持向量机的故障诊断模型，其中支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取；
(4)将测试数据经深度置信网络特征提取后，生成测试数据的特征数据，输入基于支持向量机的故障诊断模型，输出故障诊断结果，即检测出模拟电路的故障。
2.根据权利要求1所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，所述步骤(1)中，被测模拟电路输入端采用脉冲激励，输出端采样电压信号，采集的被测模拟电路的输出电压信号为训练数据。
3.根据权利要求1所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，所述步骤(2)中，深度置信网络是由多个受限玻尔兹曼机逐个堆叠而形成，每个受限玻尔兹曼机都由1个可见层v和1个隐含层h构成，每个可见层v由多个可见层单元构成，每个隐含层h也由多个隐含层单元构成，所述可见层为每个受限玻尔兹曼机的输入层，所述隐含层为每个受限玻尔兹曼机的输出层，每个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层，受限玻尔兹曼机的学习率对受限玻尔兹曼机的参数有下述影响：
Δwji＝μ(＜vihj＞0-＜vihj＞1)
Δbi＝μ(＜hj＞0-＜hj＞1)
Δaj＝μ(＜vi＞0-＜vi＞1)
其中Δwji表示连接第i个可见层单元vi和第j个隐含层单元hj的权重矩阵的更新量，Δbi表示第i个可见层单元vi偏置的更新量，Δaj表示第j个隐含层单元hj偏置的更新量，μ为受限玻尔兹曼机的学习率，＜vihj＞0表示vihj的实际值，＜vihj＞1表示vihj重构值的概率分布的期望，＜hj＞0表示隐含层单元hj的实际值，＜hj＞1表示隐含层单元hj重构值的概率分布的期望，＜vi＞0表示可见层单元vi实际值，＜vi＞1表示可见层单元vi重构值的概率分布的期望；
深度置信网络的特征提取分为三个步骤：深度置信网络预训练、基于分类器的网络全局微调和特征提取的实现，其中，深度置信网络预训练是应用输入的模拟电路故障诊断训练数据，无监督训练深度置信网络模型结构及其参数；基于分类器的网络全局微调是应用深度置信网络自带的分类器和输入的模拟电路故障诊断训练数据的标签信息，有监督训练深度置信网络模型结构及其参数；特征提取的实现是在基于分类器的网络全局微调结束后，使用深度置信网络中堆叠的多个受限玻尔兹曼机对输入的模拟电路故障诊断训练数据进行逐层特征提取，而最后一个受限玻尔兹曼机中提取的特征即为深度置信网络提取的特征。
4.根据权利要求3所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，所述步骤(2)中，深度置信网络中受限玻尔兹曼机的学习率应用量子粒子群算法优化获取的步骤为：
(2.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，需要优化的多个受限玻尔兹曼机的学习率映射为粒子的多维位置；
(2.2)将粒子的多维位置映射为深度置信网络的各个受限玻尔兹曼机的学习率，利用深度置信网络自带的分类器，计算基于训练数据时的故障诊断正确率作为适应度，从而计算出群体中每个粒子的适应度；
(2.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(2.4)计算所有粒子的个体最优位置的平均点；
(2.5)对群体中每个粒子进行位置的更新；
(2.6)重复步骤(2.2)～步骤(2.5)直至迭代结束，输出结果，即为深度置信网络中各个受限玻尔兹曼机的学习率。
5.根据权利要求1所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，所述步骤(3)中，支持向量机的惩罚因子和宽度因子应用量子粒子群算法优化获取的步骤为：
(3.1)初始化量子粒子群算法的各个参数，包括粒子的位置和迭代寻优范围，压缩扩张因子和迭代次数，需要优化的支持向量机的惩罚因子与宽度因子映射为粒子的二维位置；
(3.2)将粒子的位置映射为支持向量机的惩罚因子和宽度因子，计算基于训练数据的特征数据时支持向量机的故障诊断正确率作为适应度，从而计算出量子粒子群的群体中每个粒子的适应度；
(3.3)计算出每一个粒子的个体最优位置和群体的全局最优位置；
(3.4)计算所有粒子的个体最优位置的平均点；
(3.5)对群体中每个粒子进行位置的更新；
(3.6)重复步骤(3.2)～步骤(3.5)直至迭代结束，输出全局最优位置为优化的结果，即为支持向量机的惩罚因子和宽度因子。
6.根据权利要求1所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，在所述步骤(4)中，测试数据为对被测模拟电路再次采集得到的时域响应信号数据，输出的故障诊断结果为故障诊断正确率。
7.根据权利要求4或5所述的一种基于深度置信网络特征提取的模拟电路故障诊断方法，其特征在于，量子粒子群算法按照下述公式进行迭代寻优：
P＝sPi+(1-s)Pg，
式中，N为群体的规模；u和s是[0,1]之间均匀分布的随机数；nbest是所有粒子的个体最优位置的平均点；Pi是粒子i个体最优位置；Pg是群体的全局最优位置；Xi(t+1)是粒子i在第t+1次迭代中获得的位置；t是当前的迭代次数；a为压缩扩张因子。
CN201810111908.8A 2018-02-05 2018-02-05 一种基于深度置信网络特征提取的模拟电路故障诊断方法 Pending CN108414923A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810111908.8A CN108414923A (zh) 2018-02-05 2018-02-05 一种基于深度置信网络特征提取的模拟电路故障诊断方法
US16/027,284 US10776232B2 (en) 2018-02-05 2018-07-04 Deep belief network feature extraction-based analogue circuit fault diagnosis method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810111908.8A CN108414923A (zh) 2018-02-05 2018-02-05 一种基于深度置信网络特征提取的模拟电路故障诊断方法

Publications (1)

Publication Number Publication Date
CN108414923A true CN108414923A (zh) 2018-08-17

Family

ID=63126842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810111908.8A Pending CN108414923A (zh) 2018-02-05 2018-02-05 一种基于深度置信网络特征提取的模拟电路故障诊断方法

Country Status (2)

Country Link
US (1) US10776232B2 (zh)
CN (1) CN108414923A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN109635880A (zh) * 2019-01-08 2019-04-16 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110297480A (zh) * 2019-06-17 2019-10-01 重庆仲澜科技有限公司 基于参数优化的深度信念网络模型的te过程故障诊断方法
CN110378286A (zh) * 2019-07-19 2019-10-25 东北大学 一种基于dbn-elm的电能质量扰动信号分类方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN110579709A (zh) * 2019-08-30 2019-12-17 西南交通大学 一种有轨电车用质子交换膜燃料电池故障诊断方法
CN110837851A (zh) * 2019-10-25 2020-02-25 西安交通大学 一种电静液作动器液压泵故障诊断方法
CN110852365A (zh) * 2019-10-31 2020-02-28 北京交通大学 一种zpw-2000a型无绝缘轨道电路故障诊断方法
CN111144279A (zh) * 2019-12-25 2020-05-12 苏州奥易克斯汽车电子有限公司 一种智能辅助驾驶中障碍物的识别方法
CN111239587A (zh) * 2020-01-20 2020-06-05 哈尔滨工业大学 一种基于frft和lle特征提取的模拟电路故障诊断方法
CN111259834A (zh) * 2020-01-20 2020-06-09 武汉大学 基于集成深度置信网络的变压器故障诊断方法及系统
CN111563348A (zh) * 2020-04-10 2020-08-21 西安工程大学 基于深度支持向量机的变压器故障诊断方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN112434743A (zh) * 2020-11-27 2021-03-02 国网江苏省电力有限公司检修分公司 基于gil金属微粒局部放电时域波形图像的故障识别方法
CN112485650A (zh) * 2020-11-30 2021-03-12 电子科技大学 基于pbi的模拟电路故障参数范围识别方法
CN113985261A (zh) * 2021-07-07 2022-01-28 四川大学锦城学院 一种基于神经网络的模拟电路故障诊断方法
CN114098757A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于量子粒子群优化的ecg信号监测方法

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107884706B (zh) * 2017-11-09 2020-04-07 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN111413031B (zh) * 2019-01-07 2021-11-09 哈尔滨工业大学 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置
CN111413030B (zh) * 2019-01-07 2021-10-29 哈尔滨工业大学 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
CN110135121B (zh) * 2019-06-13 2023-04-18 中国人民解放军海军航空大学 一种基于拉格朗日-粒子群更新算法的故障诊断方法
CN110542851A (zh) * 2019-08-29 2019-12-06 广州供电局有限公司 断路器操作机构故障诊断方法、装置、计算机和存储介质
KR20190106944A (ko) * 2019-08-30 2019-09-18 엘지전자 주식회사 지능형 냉장고 및 그 제어 방법
CN110569787A (zh) * 2019-09-06 2019-12-13 沈阳天眼智云信息科技有限公司 电力变压器故障诊断方法
CN110705186B (zh) * 2019-10-01 2023-06-16 深圳市行健自动化股份有限公司 通过rbf粒子群优化算法即时在线仪表校验和诊断方法
CN110929763B (zh) * 2019-10-30 2022-06-21 西安交通大学 基于多源数据融合的中压真空断路器机械故障诊断方法
CN110956121A (zh) * 2019-11-27 2020-04-03 中国南方电网有限责任公司 基于保护启动及关联录波分析的隐藏故障预警方法及装置
CN110927526B (zh) * 2019-12-11 2022-11-11 云南电网有限责任公司临沧供电局 基于零序电流波形分形盒维数的配电网故障选线方法
CN111091545B (zh) * 2019-12-12 2021-01-22 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN111144549A (zh) * 2019-12-23 2020-05-12 深圳供电局有限公司 基于卷积神经网络的微网攻击识别方法及微网协调控制器
CN111814108B (zh) * 2020-01-10 2024-04-12 北京航天测控技术有限公司 一种基于自组织神经网络的连接型间歇故障诊断方法
CN111396547A (zh) * 2020-02-17 2020-07-10 江苏大学 一种自适应双粒子群优化支持向量机的驾驶意图识别方法
CN111506855B (zh) * 2020-02-18 2023-06-30 华北理工大学 利用tlbo算法优化深度置信网络模型预测海洋数据的方法
CN111272429B (zh) * 2020-03-04 2021-08-17 贵州大学 一种轴承故障诊断方法
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
CN111476173B (zh) * 2020-04-09 2024-03-05 南京工程学院 一种基于bas-svm的配电网电压暂降源识别方法
CN111507422B (zh) * 2020-04-24 2023-04-07 西安工程大学 基于cqfpa-wnn的变压器故障诊断方法
CN111523081B (zh) * 2020-05-01 2023-09-12 西北工业大学 一种基于增强门控循环神经网络的航空发动机故障诊断方法
CN111539486A (zh) * 2020-05-12 2020-08-14 国网四川省电力公司电力科学研究院 一种基于Dropout深度置信网络的变压器故障诊断方法
CN111798407A (zh) * 2020-05-15 2020-10-20 国网浙江省电力有限公司嘉兴供电公司 一种基于神经网络模型的带电设备故障诊断方法
WO2022019814A1 (en) * 2020-07-22 2022-01-27 Telefonaktiebolaget Lm Ericsson (Publ) Method and system for testing a printed circuit board
CN111935762B (zh) * 2020-07-27 2023-11-10 国网安徽省电力有限公司 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统
CN111950442A (zh) * 2020-08-10 2020-11-17 江苏聚力智能机械股份有限公司 一种使用dbn多域特征提取的立体车库电机故障诊断方法
CN111982514B (zh) * 2020-08-12 2023-03-24 河北工业大学 一种基于半监督深度信念网络的轴承故障诊断方法
CN112036318B (zh) * 2020-09-01 2023-10-20 海南电网有限责任公司电力科学研究院 电压暂降源同质集成辨识方法
CN113447813B (zh) * 2020-09-03 2022-09-13 中国绿发投资集团有限公司 海上风力发电机组的故障诊断方法及设备
CN112163640A (zh) * 2020-10-30 2021-01-01 北京信息科技大学 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统
CN112307472A (zh) * 2020-11-03 2021-02-02 平安科技（深圳）有限公司 基于智能决策的异常用户识别方法、装置及计算机设备
CN112419243B (zh) * 2020-11-11 2023-08-11 国网山东省电力公司青岛供电公司 一种基于红外图像分析的配电房设备故障识别方法
CN112415350B (zh) * 2020-12-16 2022-12-20 辽宁工程技术大学 一种串联电弧故障在线检测方法及装置
CN113033601B (zh) * 2021-02-02 2023-11-10 湖南科技大学 用于双转子不对中故障识别的dbn参数选取方法
CN113123956B (zh) * 2021-04-07 2023-02-28 郑州恩普特科技股份有限公司 一种水泵水锤故障诊断方法
CN113434973B (zh) * 2021-06-21 2023-04-07 西安科技大学 基于改进pso-som-bpnn的机械故障诊断方法
CN113378969B (zh) * 2021-06-28 2023-08-08 北京百度网讯科技有限公司 一种目标检测结果的融合方法、装置、设备及介质
CN113392936B (zh) * 2021-07-09 2022-09-02 四川英创力电子科技股份有限公司 一种基于机器学习的烤箱故障诊断方法
CN113970697B (zh) * 2021-09-09 2023-06-13 北京无线电计量测试研究所 一种模拟电路状态评估方法和装置
CN113848709A (zh) * 2021-09-17 2021-12-28 昌吉学院 一种基于改进量子粒子群算法的锅炉汽包水位控制方法
CN113945765B (zh) * 2021-11-02 2023-09-19 国网福建省电力有限公司检修分公司 一种特高压交流输电线路的电晕损耗评估方法
CN114167295B (zh) * 2021-11-30 2022-08-30 北京理工大学 基于多算法融合的锂离子电池soc估算方法与系统
CN114548150B (zh) * 2022-01-11 2023-04-28 西南交通大学 基于参数自适应增强med的传动系统故障诊断方法
CN114764113A (zh) * 2022-04-29 2022-07-19 河海大学 一种适用于gil中不同金属颗粒故障的诊断方法
CN114781760B (zh) * 2022-06-17 2022-09-20 四川观想科技股份有限公司 一种基于大数据的故障预测方法
CN115277354B (zh) * 2022-07-29 2023-06-16 南京信息工程大学 一种面向指挥控制网络管理系统的故障检测方法
CN116523045B (zh) * 2023-03-13 2023-11-07 之江实验室 一种面向多芯粒芯片的深度学习推理模拟器

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824135A (zh) * 2014-03-11 2014-05-28 合肥工业大学 一种模拟电路故障预测方法
CN104198924A (zh) * 2014-09-11 2014-12-10 合肥工业大学 一种新颖的模拟电路早期故障诊断方法
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
CN105548862A (zh) * 2016-01-25 2016-05-04 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
JP2017126260A (ja) * 2016-01-15 2017-07-20 クラリオン株式会社 機械学習方法および機械学習装置
US20170213128A1 (en) * 2016-01-27 2017-07-27 Bonsai AI, Inc. Artificial intelligence engine hosted on an online platform
CN107609630A (zh) * 2017-08-02 2018-01-19 广东建设职业技术学院 一种基于人工蜂群的深度置信网络参数寻优方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6865500B1 (en) * 1999-05-19 2005-03-08 Georgia Tech Research Corporation Method for testing analog circuits
US8222910B2 (en) * 2009-07-16 2012-07-17 Atmel Corporation Method and apparatus for sub-assembly error detection in high voltage analog circuits and pins
JP2017038200A (ja) * 2015-08-10 2017-02-16 ルネサスエレクトロニクス株式会社 半導体装置及び故障検出方法
US10740654B2 (en) * 2018-01-22 2020-08-11 Qualcomm Incorporated Failure detection for a neural network object tracker
CN108535636A (zh) * 2018-05-16 2018-09-14 武汉大学 一种模拟电路基于参数随机分布邻近嵌入胜者为王的故障特征提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824135A (zh) * 2014-03-11 2014-05-28 合肥工业大学 一种模拟电路故障预测方法
CN104198924A (zh) * 2014-09-11 2014-12-10 合肥工业大学 一种新颖的模拟电路早期故障诊断方法
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
JP2017126260A (ja) * 2016-01-15 2017-07-20 クラリオン株式会社 機械学習方法および機械学習装置
CN105548862A (zh) * 2016-01-25 2016-05-04 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
US20170213128A1 (en) * 2016-01-27 2017-07-27 Bonsai AI, Inc. Artificial intelligence engine hosted on an online platform
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN107609630A (zh) * 2017-08-02 2018-01-19 广东建设职业技术学院 一种基于人工蜂群的深度置信网络参数寻优方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAIDONG SHAO ET.AL: "Rolling bearing fault diagnosis using an optimization deep belief network", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 *
刘大伟 等: "基于深度学习的高分辨率遥感影像分类研究", 《光学学报》 *
李士勇 等: "《量子计算与量子优化算法》", 31 May 2009, 哈尔滨工业大学出版社 *
赵光权 等: "基于DBN的故障特征提取及诊断方法研究", 《仪器仪表学报》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN109635880A (zh) * 2019-01-08 2019-04-16 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109635880B (zh) * 2019-01-08 2023-06-27 浙江大学 基于强鲁棒自适应算法的采煤机故障诊断系统
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110297480A (zh) * 2019-06-17 2019-10-01 重庆仲澜科技有限公司 基于参数优化的深度信念网络模型的te过程故障诊断方法
CN110297480B (zh) * 2019-06-17 2022-07-01 重庆仲澜科技有限公司 基于参数优化的深度信念网络模型的te过程故障诊断方法
CN110378286A (zh) * 2019-07-19 2019-10-25 东北大学 一种基于dbn-elm的电能质量扰动信号分类方法
CN110378286B (zh) * 2019-07-19 2023-03-28 东北大学 一种基于dbn-elm的电能质量扰动信号分类方法
CN110579709A (zh) * 2019-08-30 2019-12-17 西南交通大学 一种有轨电车用质子交换膜燃料电池故障诊断方法
CN110543921A (zh) * 2019-10-14 2019-12-06 四川大学 一种基于波形学习的电缆早期故障识别方法
CN110837851A (zh) * 2019-10-25 2020-02-25 西安交通大学 一种电静液作动器液压泵故障诊断方法
CN110852365A (zh) * 2019-10-31 2020-02-28 北京交通大学 一种zpw-2000a型无绝缘轨道电路故障诊断方法
CN111144279A (zh) * 2019-12-25 2020-05-12 苏州奥易克斯汽车电子有限公司 一种智能辅助驾驶中障碍物的识别方法
CN111239587A (zh) * 2020-01-20 2020-06-05 哈尔滨工业大学 一种基于frft和lle特征提取的模拟电路故障诊断方法
CN111259834A (zh) * 2020-01-20 2020-06-09 武汉大学 基于集成深度置信网络的变压器故障诊断方法及系统
CN111563348A (zh) * 2020-04-10 2020-08-21 西安工程大学 基于深度支持向量机的变压器故障诊断方法
CN111563348B (zh) * 2020-04-10 2023-04-18 西安工程大学 基于深度支持向量机的变压器故障诊断方法
CN111680665B (zh) * 2020-06-28 2023-06-20 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN112434743A (zh) * 2020-11-27 2021-03-02 国网江苏省电力有限公司检修分公司 基于gil金属微粒局部放电时域波形图像的故障识别方法
CN112485650B (zh) * 2020-11-30 2021-09-14 电子科技大学 基于pbi的模拟电路故障参数范围识别方法
CN112485650A (zh) * 2020-11-30 2021-03-12 电子科技大学 基于pbi的模拟电路故障参数范围识别方法
CN113985261A (zh) * 2021-07-07 2022-01-28 四川大学锦城学院 一种基于神经网络的模拟电路故障诊断方法
CN114098757A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于量子粒子群优化的ecg信号监测方法
CN114098757B (zh) * 2021-11-12 2024-02-09 南京海量物联科技有限公司 一种基于量子粒子群优化的ecg信号监测方法

Also Published As

Publication number Publication date
US10776232B2 (en) 2020-09-15
US20190243735A1 (en) 2019-08-08

Similar Documents

Publication Publication Date Title
CN108414923A (zh) 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN112327219B (zh) 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN101614787B (zh) 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN105046279B (zh) 一种模拟电路故障模式分类方法
CN105044590B (zh) 一种单测量节点模拟电路故障诊断方法
CN104198924A (zh) 一种新颖的模拟电路早期故障诊断方法
CN103033362B (zh) 一种基于改进多变量预测模型的齿轮故障诊断方法
CN102435910B (zh) 基于支持向量分类的功率电子电路健康监测方法
CN103245907B (zh) 一种模拟电路故障诊断方法
CN110298085A (zh) 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN105548862A (zh) 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106201871A (zh) 基于代价敏感半监督的软件缺陷预测方法
CN113865868B (zh) 基于时频域表达的滚动轴承故障诊断方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN112508105B (zh) 一种采油机故障检测与检索方法
CN106483449A (zh) 基于深度学习与复数特征的模拟电路故障诊断方法
CN107991097A (zh) 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN108535572A (zh) 基于基波零序特征的计量系统二次回路监测方法及装置
CN112036042A (zh) 一种基于变分模态分解的动力设备异常检测方法及系统
CN109061426A (zh) 变压器局部放电故障诊断方法及在线监测装置
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN112668526A (zh) 基于深度学习和压电主动传感的螺栓群松动定位监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180817

RJ01 Rejection of invention patent application after publication